seolu于2022-06-24发布在数字时代的精准推荐系统
随着全球数字化、5G通信技术的成熟以及互联网在各行各业的应用，积累的数据量越来越大，越来越多的企业、行业和国家发现可以利用类似的技术更好服务客户、发现新商机、拓展新市场、提高效率，引发了一场新的技术革命。
科技进步在极大丰富了人类生活的同时，也给我们的生活带来了选择的烦恼——如何从复杂的数据中快速获取有价值的信息，而推荐系统作为解决信息负载问题的有效方法，正在发挥作用。它起着重要的作用；传统推荐系统在处理大数据方面的问题限制了它们的性能。为了充分挖掘数据的价值，提升推荐系统的性能和实时性，进一步有效缓解信息过载问题，我们今天就数字时代的精准推荐系统进行探讨。
首先，我们介绍一下传统推荐系统的特点：
传统推荐系统生成推荐项目的过程有两个重要阶段：数据预处理阶段和推荐生成阶段。在数据预处理阶段，推荐系统需要从数据中获取用户偏好；在推荐生成阶段，推荐系统需要根据用户偏好信息获取用户偏好信息。，使用推荐算法从数据集中生成用户推荐项。偏好获取技术是指通过跟踪和学习用户的兴趣、偏好和个性特征，实时、准确地发现不同用户对各种网络服务的需求。它的变化是适应和调整的。传统的用户偏好获取技术通过显式或隐式方式获取用户偏好，主要分为启发式和建模两大类。前者使用一些直观的启发式方法来获取用户需求，如最近邻算法、聚类（K-算法）、相似度计算等；后者通过引入机器学习技术来学习模型，如决策树归纳、贝叶斯分类、聚类等。为了解决时间迁移问题，研究人员使用了一些自适应方法，如信息增强技术、遗传算法和神经网络技术, 来解决这个问题。从信息过滤的角度来看，传统的推荐系统主要分为协同过滤推荐系统（CF，），基于内容的推荐系统和混合推荐系统。随着移动设备的发展，出现了上下文感知推荐系统。
然后我们介绍一下数字时代的推荐系统与传统推荐系统的区别：
由于大数据具有以下特点：体积大（ ）、速度快（ ）、模态多（ ）、难以区分（ ）以及高价值、低密度（ ），与传统推荐系统相比，数字推荐系统面临的问题更为复杂信息提供环境和数据特征；只有充分、准确地提取和预测用户在大数据环境下产生的各种数据中包含的用户偏好，才能有效地生成更准确的推荐。数据环境下推荐系统的基本思想与传统推荐系统类似，但侧重于大数据环境对推荐系统的影响：数据生成速度更快，数据量大维度和稀疏，内容采样通道较多，来源多，在数据融合时，由于结构和采集方式的不同，会引入更高的噪声和冗余，数据结构的比例也会发生变化。非结构化数据和半结构化数据成为主要数据，流式数据也成为常见的数据类型。数据内容变化。推荐系统可以收集丰富的用户隐式反馈数据。移动网络的飞速发展使得移动应用变得丰富多彩。用户使用移动设备或登录移动应用程序生成丰富的移动社交网络数据，尤其是基于位置的GPS数据成为重要数据。许多主要基于数据处理的大数据问题使得推荐系统对数据处理能力提出了更高的要求。同时，丰富的数据使得用户对推荐系统的实时性和准确性提出了更高的要求。因此，适用于传统推荐系统的方法不能直接应用于大数据环境下的移动推荐，需要对算法进行改进和扩展，以更好地满足大数据环境下推荐系统的要求。
最后，我们介绍了数字时代推荐系统的关键技术：
以下是推荐系统的基本架构：
大数据环境下的推荐系统框架分为四层，即源数据获取层、数据预处理层、推荐生成层和效用评估层。，数据处理结果作为推荐系统数学形式的输入，主要任务是用户偏好获取、社交网络构建、上下文用户偏好获取等。推荐生成层是推荐系统的核心. 在大数据环境下，这一层的主要任务是引入和充分处理大数据，生成实时性强、准确率高、用户满意的推荐结果。现在，主要推荐技术有大数据环境下基于矩阵分解的推荐系统、基于隐式反馈的推荐系统、基于社交推荐系统和群体推荐系统的推荐系统；在效用评价层，当推荐结果呈现给用户时抖音大数据，需要结合用户的反馈数据，利用准确性、实时性、新颖性、多样性等评价指标来评价推荐的效果系统。，并根据需要进行扩展、改进等。需要结合用户的反馈数据，使用准确性、实时性、新颖性、多样性等评价指标来评价推荐系统的性能。，并根据需要进行扩展、改进等。需要结合用户的反馈数据关键词优化，使用准确性、实时性、新颖性、多样性等评价指标来评价推荐系统的性能。，并根据需要进行扩展、改进等。
今天我们重点分析基于隐式反馈数据的推荐系统：
在大数据环境下，隐式反馈数据（如用户视频点击、网页浏览、转发微博、购买商品等行为数据）是输入数据的主要形式。这类数据不需要用户投入更多的精力，不会影响用户的正常生活，采集成本低，应用场景广，数据规模也较大，用户评分数据只有非常稀疏的数据量。这些条件决定了在大数据环境下，基于隐式反馈数据的推荐系统将成为推荐系统的主要形式之一一.
传统推荐系统忽略了大量隐含的反馈信息，只专注于分析用户评分数据，不仅浪费了宝贵的大数据资源抖音大数据，也限制了大数据环境下推荐系统的发展。
隐式反馈数据分为两类：“选中”和“未选中”。其中，“被选中”的数据数量较少，能直接反映用户的喜好；“未选中”的数据数量很大，但不能直接说明用户不喜欢。，但无法确定用户偏好。目前研究人员主要使用正隐反馈数据，如Pá等使用用户听音乐的行为数据，但浪费了大量用户不听音乐的数据。针对这个问题，Seal 等人。一种隐式反馈推荐模型（IFRM, ），将推荐任务转化为最大化用户选择行为概率的问题，并达到直接对隐式反馈数据进行建模的目的，既利用了“未选择”的信息，又避免了在引入负例的同时引入噪声，提高了推荐质量。同时采用降维方法解决高维稀疏数据的噪声问题，进一步采用分桶并行隐式反馈模型p-IFRM提高算法效率。. 隐式信任数据是一种通过用户之间的交互等方式反映的用户关系。使用隐式信任数据来预测用户信任值分数，实验表明结果与使用用户分数数据得到的结果相似，但数据采集成本较低，具有良好的应用前景。它不仅使用了“未选择”的信息，而且在引入负例的同时避免了噪声的引入，从而提高了推荐的质量。同时采用降维方法解决高维稀疏数据的噪声问题，进一步采用分桶并行隐式反馈模型p-IFRM提高算法效率。. 隐式信任数据是一种通过用户之间的交互等方式反映的用户关系。使用隐式信任数据来预测用户信任值分数，实验表明结果与使用用户分数数据得到的结果相似，但数据采集成本较低，具有良好的应用前景。它不仅使用了“未选择”的信息，而且在引入负例的同时避免了噪声的引入，从而提高了推荐的质量。同时采用降维方法解决高维稀疏数据的噪声问题，进一步采用分桶并行隐式反馈模型p-IFRM提高算法效率。. 隐式信任数据是一种通过用户之间的交互等方式反映的用户关系。使用隐式信任数据来预测用户信任值分数，实验表明结果与使用用户分数数据得到的结果相似，但数据采集成本较低，具有良好的应用前景。而且在引入负例的同时避免了噪声的引入，提高了推荐的质量。同时采用降维方法解决高维稀疏数据的噪声问题，进一步采用分桶并行隐式反馈模型p-IFRM提高算法效率。. 隐式信任数据是一种通过用户之间的交互等方式反映的用户关系。使用隐式信任数据来预测用户信任值分数，实验表明结果与使用用户分数数据得到的结果相似，但数据采集成本较低，具有良好的应用前景。而且在引入负例的同时避免了噪声的引入，提高了推荐的质量。同时采用降维方法解决高维稀疏数据的噪声问题，进一步采用分桶并行隐式反馈模型p-IFRM提高算法效率。. 隐式信任数据是一种通过用户之间的交互等方式反映的用户关系。使用隐式信任数据来预测用户信任值分数，实验表明结果与使用用户分数数据得到的结果相似，但数据采集成本较低，具有良好的应用前景。采用降维方法解决高维稀疏数据的噪声问题，进一步采用分桶并行隐式反馈模型p-IFRM提高算法效率。. 隐式信任数据是一种通过用户之间的交互等方式反映的用户关系。使用隐式信任数据来预测用户信任值分数，实验表明结果与使用用户分数数据得到的结果相似，但数据采集成本较低，具有良好的应用前景。采用降维方法解决高维稀疏数据的噪声问题，进一步采用分桶并行隐式反馈模型p-IFRM提高算法效率。. 隐式信任数据是一种通过用户之间的交互等方式反映的用户关系。使用隐式信任数据来预测用户信任值分数，实验表明结果与使用用户分数数据得到的结果相似，但数据采集成本较低，具有良好的应用前景。
与用户评分数据相比快速排名，隐式反馈数据更能直观地反映用户的行为偏好。在大数据环境下，丰富的隐式反馈数据使得捕捉本地用户短期偏好成为可能，当前的短期偏好可以更好地预测用户未来一段时间内的偏好，并产生强大的实时推荐结果. 杨等人。提出了一种基于局部隐式反馈大数据的推荐算法。当前用户偏好影响的思想将用户时间划分为多个时间片。在每个时间片中，综合考虑用户的上下文（如休息、工作或跑步）对用户选歌的影响。根据当前时间片获取的用户音乐偏好预测用户' s 下一个时间片中的音乐偏好，然后为用户精准推荐歌曲，并使用 SGD 优化算法提高算法的实时性，同时调整时间片的粒度，从而获得用户的长期稳定偏好和用户短期偏好。可变偏好。
传统的推荐方法在处理评分数据时具有良好的性能，但隐式反馈数据没有直接评分。与基于评分预测的方法不同，基于直接排序的方法在处理隐式反馈数据时效果更好。赵等人。将微博中提取的用户反馈信息加入到排序算法中，取得了不错的电商推荐效果。然而，传统的排序方法需要大量的代价来最小化目标函数，并且在目标采样中需要牺牲一定的精度。提高算法的计算效率，而这种牺牲在大数据中往往是不能容忍的。有研究人员认为，在大数据环境下，数据采样的方式不再重要，甚至不需要采样。基于这个想法，Takács 等人。提出，该算法直接最小化排序目标函数，无需采样，提高了数据处理效率。
最后，我们对推荐系统做一个展望：为了缓解更加严重的“信息过载”问题，推荐系统越来越受到业界和学术界的关注。大数据环境下，数据规模更大，更新速度更快，数据类型更多，传统推荐系统无法直接满足大数据环境的数据处理需求。因此，在相同的框架下，提出了大数据环境下的推荐系统，对大规模数据处理能力有更高的要求。对推荐结果的准确性和实时性的要求也更高。同时，大规模数据也为进一步提高推荐系统的准确性提供了机会。目前收集的主要用户数据是隐式反馈数据，与传统推荐系统相比，系统的主要输入数据是用户评分数据。隐式反馈数据量大，成本低，对用户的干扰小。其中，从移动网络采集的移动社交网络数据，尤其是用户位置数据，数据量很大。使用价值。同时，大数据环境下的推荐系统应用领域还有很多问题需要解决，比如如何利用大数据缓解推荐结果的多样性，以及如何充分利用其价值。大数据带来的同时保护用户隐私和安全等。
